ステップ1：データ、作業の70%
最終スコア、先発、日程、そして何より各試合のクロージングオッズを含む複数シーズンの試合が必要です。過去のオッズがなければ、モデルが市場を上回るか分かりません。それが唯一重要な問いです。
重複したチーム名、中止試合、異なるタイムゾーンの日付を整理してください。Gambetaでは最初の数か月のエラーの大半はモデルではなくデータのものでした。
ボールの競り合いひとつひとつがデータ。モデルは試合を見ない。あなたが事前に保存すると決めた行を見ている。
ステップ2：試合前に存在する変数
典型的な罠はリーケージです：その試合の枠内シュート数のように、試合後にしか分からないデータを使うこと。訓練では完璧に見え、本番で崩れます。
有効な変数：直近の調子、過去試合の期待ゴール、試合間の休養、ホームアドバンテージ、確定した欠場、そしてオープニングオッズ自体。スポーツベッティングの機械学習で我々のモデルが使う変数を説明しています。
ステップ3：モデル
始めるのにニューラルネットは要りません。ロジスティック回帰や適切に正則化した勾配ブースティングで、1X2やオーバー/アンダーの確率を堅実に予測できます。重要なのは出力が「勝ち負け」のラベルではなく確率であることです。
競技ごとにモデルを訓練してください。サッカー、テニス、野球、バスケットボールは構造が違います：テニスはサーブポイント、野球は先発投手、バスケは欠場が支配します。全部に1つのモデルでは4つとも下手に学びます。
ステップ4：キャリブレーション
キャリブレーションされたモデルとは、60%と言ったときにおよそ10回中6回当たるものです。予想を範囲ごとにまとめ、実際に起きたことと比較して測ります。キャリブレーションなしではオッズとの比較は無意味で、賭け金の大きさも誤ります。
入るか、入らないか。キャリブレーションされたモデルはこうしたシュート何千本から学ぶ。数百本ではノイズしか学ばない。
ステップ5：誠実なテスト
最後のシーズンを取り置き、最後まで見ないこと。クロージングオッズの暗黙確率を自分の確率が上回るときだけ、均一賭け金で賭けるシミュレーションをします。結果がプラスでなければ、精度がどれほど高く見えてもモデルは機能していません。
優位があるときだけ賭けるこの論理がバリューベッティングであり、予測器をベッティングの道具に変えるものです。
ステップ6：すべて公開する
実績を公開しないモデルは予想屋と区別がつきません。各予想を確率、オッズ、結果とともに記録し、公開しておくこと。負けたときは気まずいですが、勝ったときに信頼される唯一の方法です。
これが大変に聞こえるなら、その通りです。Gambetaで毎日やっていることで、ゼロから作らなくていいように無料で公開しています。
よくある質問
プログラミングなしでスポーツベッティングAIを訓練できますか？
スプレッドシートで単純な回帰までは可能です。キャリブレーションと過去オッズに対するテストにはPythonかRが必要です。
訓練に何試合必要ですか？
同じリーグの複数シーズン。数百試合ではモデルはパターンではなくノイズを学びます。
不可欠なデータは？
結果、先発、日程、過去のクロージングオッズ。オッズなしでは市場を上回るか分かりません。
ChatGPTのような汎用AIでもできますか？
コードを書き設計を議論することはできますが、モデルにはなれません。データもキャリブレーションもないからです。